简介一套基于MATLAB的相机标定程序源码面向需要学习摄像机标定原理的新手以及有图像处理基础、希望参考完整实现方案的开发人员。程序采用直接线性法与透视投影矩阵法完成标定覆盖从空间点坐标到图像坐标的映射求解流程并包含畸变校正相关内容方便读者对照理论理解工程实现细节。压缩包共4个文件以m源文件为主附一份doc格式的MATLAB源代码说明文档整体大小仅119KB结构精简便于快速阅读与直接运行测试。该资源在平台已有1863人学习下载源码经过亲测校正注释较为完整适合作为课程设计、论文实验或相机标定入门实践的基础参考。1. 相机标定源码包在 MATLAB 里从哪一步开始想象一个场景你用单目相机测工件长度软件里得到 100.3mm卡尺量出来却是 99.8mm。问题往往不在图像处理而在像素和毫米之间的换算没搞对。相机标定的目标就是把每个像素对应的空间方向、焦距、镜头畸变用一套参数固定下来。网上流传的“matlab实现相机标定程序源码.zip”这类包本质是把这件事做完整的 API 组合检测棋盘格角点、估计内参外参、计算畸变系数、输出误差报告。如果你正准备部署视觉测量、机器人抓取或者质检工位下面这套流程会把“拿到一个 MATLAB 相机标定源码包后怎么读懂、怎么跑通、怎么把参数用对”讲清楚。适合刚接触视觉的工程师也适合想把手动标定流程自动化的老手。2. MATLAB相机标定的理论基础坐标系、内参外参与畸变2.1 从世界坐标到像素坐标的四次变换相机成像可以理解为先把世界坐标系里的点 Xw 变换到相机坐标系再投影到图像平面最后落到像素坐标。公式是 s · [u; v; 1] K · [R|t] · [Xw; Yw; Zw; 1]。其中 [R|t] 称为外参表示相机在世界坐标系中的位姿K 是内参矩阵包含焦距 fx、fy 和主点 cx、cy。K [fx 0 cx; 0 fy cy; 0 0 1];这个 K 矩阵在 MATLAB 里通常以转置形式存放也就是 cameraParameters 对象里的 IntrinsicMatrix 字段等于上面 K 的转置。初次接触的同学经常在这里算错。你可以这样验证把标定得到的 IntrinsicMatrix 取出来转置以后乘上世界坐标点再除最后一个分量结果应该和图像上的角点像素坐标对上。s 是深度尺度因子它表示该点在相机坐标系下的 z 值。因为棋盘格是平面所以每个角点的 s 就是该点在相机坐标系的深度不是任意值。内参的物理意义需要注意fx 和 fy 在理想情况下相等单位是像素。如果两者差异超过一个像素说明传感器像素不是正方形或者图像在采集后被 resized 过。cameraParameters 的 ImageSize 字段记录了原图尺寸若你在标定前对图像做过缩放fx、fy、cx、cy 都必须按同一比例缩放否则投影计算会整体偏移。2.2 畸变模型为什么图像的边缘直线会弯曲镜头不是完美的小孔成像广角和廉价镜头尤其明显。径向畸变让直线向外凸或向内凹切向畸变是因为镜头和传感器不平行。张正友标定法用的模型把畸变写成多项式x_distorted x·(1 k1·r² k2·r⁴ k3·r⁶) 2·p1·x·y p2·(r²2x²)y 方向同理。标定程序要做的事就是反推出这些系数。MATLAB 里径向畸变系数按 [k1, k2, k3] 存在 RadialDistortion 字段切向畸变 [p1, p2] 在 TangentialDistortion 字段。k3 对普通工业镜头可以设为 0因为高阶项在视场角不大时几乎没有贡献。若你用的是鱼眼镜头MATLAB 有单独的 fisheyeParameters 对象畸变模型完全不同不能拿这套普通模型硬套。判断依据很简单如果图像边缘的直线弯曲程度非常大甚至画面出现桶形畸变就要走 fisheye 的流程。2.3 张正友方法为什么用平面棋盘格张正友标定法只需要相机拍摄任意姿态的平面棋盘格不需要知道相机和棋盘格的具体位姿。原理是先用单应性矩阵 H 建立图像点和棋盘格平面点的关系H 里面外参被部分消掉再从多张图像解出内参。多张图像的好处是单张图只能确定单应性多个姿态才能让内参超定、可解。实践中最少需要 3 张但 3 张图像的解非常脆弱我一般要求至少 15 张角度覆盖要足够分散。这里和 OpenCV 的 calibrateCamera 本质上是同一套数学只是 MATLAB 封装成了 detectCheckerboardPoints estimateCameraParameters。源码包里如果自己写了求解代码通常包括单应性估计、奇异值分解、非线性优化这三步分别对应 fitgeotrans、svd 和 lsqnonlin。不过既然用了 MATLAB直接用官方封装更省事出错概率也低。2.4 源码包里典型的数据结构一个标准的标定程序源码包最终输出通常包含内参矩阵 K、畸变系数 k1/k2/p1/p2/k3、平均重投影误差、每张图像的外参。MATLAB 推荐做法是把这些都放进 cameraParameters 对象里后续 undistortImage、worldToImage 等函数可以直接复用。常用字段含义如下字段名含义单位IntrinsicMatrix内参矩阵转置形式像素RadialDistortion径向畸变系数 k1 k2 k3无量纲TangentialDistortion切向畸变系数 p1 p2无量纲WorldUnits世界坐标单位自定义通常为 mmMeanReprojectionError平均重投影误差像素% 构造相机参数对象 camParams cameraParameters( ... IntrinsicMatrix, K, ... % 注意转置 RadialDistortion, [k1 k2 k3], ... TangentialDistortion, [p1 p2], ... WorldUnits, mm);WorldUnits 要和标定板格子的实际尺寸单位一致。声明为 mm后面所有从像素换算到物理尺寸的函数输出就都是 mm。标定板格子如果是 30mm就填 30不要填 0.03否则读数字时容易看错数量级。3. 源码包结构拆解MATLAB相机标定程序的模块设计3.1 解压后先看文件清单拿到一个 zip 包我一般先不急着运行而是用 dir 命令把文件列出来。规范的源码包会包含主程序文件、角点检测函数、主流程脚本、示例图像目录和说明文档。下面是我见过的比较典型的结构文件/目录作用需要关注的点calibrate_main.m主流程检查图像路径是否硬编码detect_board_pts.m封装角点检测是否处理了检测失败的图像estimate_intrinsics.m内参估计是否输出重投影误差undistort_demo.m畸变校正演示说明期望输出的去畸变图效果images/标定板图像数量是否多于 15 张calibration_report.m生成报告结果是否自动写入文件如果缺 detect_board_pts.m 这类函数只有一段主脚本也很常见。MATLAB 从 R2014a 开始的 Camera Calibrator App 本身就能导出脚本很多源码包其实是从 App 生成的然后改出来的。结构不重要重要的是函数之间如何传参以及默认图像路径是否和你手里的目录一致。3.2 角点检测detectCheckerboardPoints 的调用方法主程序的第一步是把所有标定图像读进来统一转成灰度图然后调用 detectCheckerboardPoints。源码包里最常见的写法有两种一种是逐张图像循环处理另一种是把图像堆成三维数组一次处理。我倾向逐张循环因为可以单独跳过检测失败的图像不至于一张坏图导致整个批次崩溃。% 逐张检测棋盘格角点 imageDir fullfile(pwd, images); files dir(fullfile(imageDir, *.png)); numImages numel(files); imagePoints cell(numImages, 1); boardSizes zeros(numImages, 2); for i 1:numImages img imread(fullfile(imageDir, files(i).name)); if size(img, 3) 3 img rgb2gray(img); % 彩色图先转灰度 end [pts, boardSize] detectCheckerboardPoints(img); if isempty(pts) warning(第%d张无法检测棋盘格跳过。, i); continue; end imagePoints{i} pts; boardSizes(i, :) boardSize; end % 去掉未检测到的空项 validIdx ~cellfun(isempty, imagePoints); imagePoints imagePoints(validIdx);逻辑说明detectCheckerboardPoints 在找不到棋盘格时返回空矩阵所以要把这种情况和正常检测区分开。boardSize 返回的是棋盘格内部角点的行列数比如 9x6 表示每行 9 个内部角点、每列 6 个。若各图像检测出的 boardSize 不一致后面 estimateCameraParameters 会直接报错需要先确认是否真的拍了同一块标定板。参数方面如果棋盘格有白色边框干扰可以给 detectCheckerboardPoints 传入 MinCornerMetric 调节角点响应阈值不过大多数源码包不会用这些因为默认参数对普通打印的棋盘格已经够用。真正影响检测成功率的是光照暗角区域的角点经常漏检拍照时让棋盘格在画面里尽量占大面积比调参数更有效。3.3 参数估计与优化estimateCameraParameters 的选项角点收集完毕下一段代码基本都是调用 estimateCameraParameters。这里是整个源码包里参数最多的位置也是我建议你逐行确认的地方。% 生成世界坐标注意格子尺寸要与实际一致 squareSize 30; % 单位mm worldPoints generateCheckerboardPoints(boardSizes(1,:), squareSize); % 估计相机参数 [params, errors] estimateCameraParameters(imagePoints, worldPoints, ... WorldUnits, mm, ... EstimateSkew, false, ... EstimateTangentialDistortion, true, ... NumRadialDistortionCoefficients, 2);EstimateSkew 默认是 false这对绝大多数工业镜头都成立传感器像素在制造时已经做到近似正方形开启它只会增加一个自由度让优化器有机会把参数带跑偏。NumRadialDistortionCoefficients 取 2 即可径向畸变多项式的高阶项在强畸变广角镜头里才有意义普通镜头强行取 3在图像序列数量不足时会出现 k2、k3 相互抵消的不稳定解标定结果反而比取 2 更差。EstimateTangentialDistortion 在镜头安装较正时通常开着但如果图像里棋盘格集中在画面中部切向畸变约束不足p1/p2 估计噪声大可以先关闭等畸变校正效果出来再决定。3.4 从源码生成 Camera Calibrator App 脚本的区别很多人在网上找源码是因为 App 界面不够直观或者想自动跑批量标定。实际上 Camera Calibrator App 能导出 m 脚本导出的代码和手写源码差距不大只是把检测与估计流程固定成了 App 内部逻辑。有个快速改写技巧导出的脚本里会写死图像路径改成用 dir 遍历即可导出的结果变量名通常是 cameraParams后续用 save(cameraParams.mat, cameraParams) 存下来供其他程序加载。提示源码包里的 detectCheckerboardPoints 依赖 Computer Vision Toolbox 和 Image Processing Toolbox。运行报错说函数未定义时先检查工具箱是否齐全再用 which detectCheckerboardPoints 看路径不要急着改代码。4. 把源码跑通棋盘格图像采集、主程序传参与误差分析4.1 拍照环节决定标定质量的 7 个要点标定程序只能处理拍回来的图像图像质量直接影响内参估计。我一般建议按这个顺序检查标定板尽量铺满视场的 1/3 以上每个角度拍一张覆盖中心、四角、左右旋转、上下仰角总共 15 到 25 张光照均匀反光区域不要出现在角点附近拍摄时拿稳或者用支架避免运动模糊棋盘格不要贴在弯曲的表面上打印的格子纸要压在硬纸板上不要悬空镜头光圈尽量固定在实际使用值。满足这几条平均重投影误差通常能压到 0.3 像素以下。如果某张图拍糊了立刻删掉重拍不要指望算法能救回。4.2 主程序完整流程把第 3 章的模块串起来的 calibrate_main.m 基本是这个结构。这个脚本可以原样抄下来作为你自己的标定流水线起点。%% 1. 读取图像 imageFiles dir(fullfile(images, *.jpg)); numImages numel(imageFiles); %% 2. 检测角点并过滤失败项 imagePoints cell(numImages, 1); valid true(numImages, 1); for i 1:numImages img imread(fullfile(images, imageFiles(i).name)); if size(img, 3) 3 img rgb2gray(img); end [imagePoints{i}, boardSize] detectCheckerboardPoints(img); if isempty(imagePoints{i}) valid(i) false; end end imagePoints {imagePoints{valid}}; imageFiles imageFiles(valid); % 同步过滤 %% 3. 生成世界坐标并估计参数 squareSize 30; worldPoints generateCheckerboardPoints(boardSize, squareSize); [params, errors] estimateCameraParameters(imagePoints, worldPoints, ... EstimateTangentialDistortion, true, ... NumRadialDistortionCoefficients, 2); %% 4. 显示误差分布和相机位姿 figure; showReprojectionErrors(params); figure; showExtrinsics(params, Pattern);逻辑说明valid 索引同步过滤是关键常见错误是收集完角点后忘了过滤文件列表导致后面画外参时图像名和点对不上。generateCheckerboardPoints 的 boardSize 要用 detectCheckerboardPoints 返回的同一变量不要手写 9x6因为不同图像可能检测出不同的棋盘格尺寸需要确认一致后再用。棋盘格内部角点太少也是个隐患。7x5 的格子能求出内参但 z 方向约束偏弱结果会更依赖初始猜测。建议至少 8x6最好 10x7。格子越多检测失败的概率越高但标定稳定性也越好实际使用需要折中。4.3 重投影误差的正确看法estimateCameraParameters 返回的 errors 里有 MeanReprojectionError单位是像素。这个值小于 0.5 像素标定结果就视为合格超过 1 像素先看 showReprojectionErrors 画出的柱状图横轴是图像序号纵轴是该图所有角点的平均误差。某一张图的柱明显高于其他图说明这张图可能拍糊了或者棋盘格存在扭曲删掉重估即可。再进一步看单个角点把某个角点的误差单独打出来定位。% 打印每张图的平均重投影误差 for i 1:numel(errors.ReprojectionErrors) errs errors.ReprojectionErrors{i}; % 各版本结构可能不同 meanErr(i) mean(errs(:), omitnan); end注意 errors.ReprojectionErrors 在不同 MATLAB 版本里的存储结构不一样有的版本是 cell 数组有的直接是数值矩阵。遇到访问报错时用 whos errors 查看变量结构别在字段上死磕。误差突出一张图就删一张这是最实用的优化手段比修改优化选项有效得多。4.4 常见报错与参数排查报错 “Unable to detect a checkerboard in the image” 说明该图没识别出棋盘格改进方向是拍照时保证整块棋盘清晰可见。报错 “The checkerboard should be fully visible. Some of the checkerboard points are missing” 说明棋盘格被遮挡或出了画面源码包如果没做跳过处理就在这里中断。自己改代码时把检测结果为空的情况 continue 掉最省事。还有一类报错是图像尺寸不一致比如批次里混入了不同分辨率的图片detectCheckerboardPoints 能处理但生成的相机参数是对应最大尺寸的最好统一尺寸再跑。5. 标定完怎么验证从重投影误差到畸变校正落地5.1 用 undistortImage 验证校正效果参数估计完最直接的验证方式是拿一张包含直线场景的图做畸变校正看看边缘直线有没有拉直。img imread(test_image.png); undistorted undistortImage(img, params); imshowpair(img, undistorted, montage);图像边缘的门框、轨道、传送带边沿在校正后变成直线说明内参可信。反之如果过度校正直线向相反方向弯有可能是径向畸变系数符号反了或者 NumRadialDistortionCoefficients 选得过大。手机广角镜头 k1 通常为负校正后边缘会被向外拉伸这是正常现象。做验证时图片里必须包含明显的直线结构比如墙面踢脚线或货架横梁否则看不出效果。5.2 用 worldToImage 做正向投影自检把标定板放在已知距离用 worldToImage 把世界坐标点映射到图像坐标再和实际检测到的角点坐标比对。当 R、t 由 estimateCameraParameters 从同一张图得到时这组验证只能说明拟合本身没毛病不能说明系统精度。真正有说服力的是换一张没有参与标定的图像测量一个已知尺寸的物体再和卡尺值对比。我的做法是贴一张 100mm 长的标尺在画面里标定完成后测一次宽度误差在 0.5% 以内就算达标。5.3 应用到测量、双目和机械臂引导得到 cameraParams.mat 以后后续测量程序里只要加载 params再用 undistortPoints 或 undistortImage 预处理一次图像即可。如果要做双目相机标定单目标定得到的内参可以作为 stereoParameters 的初值再用 estimateStereoBaseline 约束左右相机外参。机械臂手眼标定场景需要结合 eye-to-hand 或 eye-in-hand 的变换关系一起解算内参标定是前置条件。源码包里如果出现相机位姿可视化函数还可以顺手把内外参导出来给 OpenCV 或 VisionMaster 用参数顺序记得按各自约定重排。上下相机引导贴合这类场景还要额外标定两个相机的相对位姿单目内参只是第一步。本文还有配套的精品资源点击获取
简介一套基于MATLAB的相机标定程序源码面向需要学习摄像机标定原理的新手以及有图像处理基础、希望参考完整实现方案的开发人员。程序采用直接线性法与透视投影矩阵法完成标定覆盖从空间点坐标到图像坐标的映射求解流程并包含畸变校正相关内容方便读者对照理论理解工程实现细节。压缩包共4个文件以m源文件为主附一份doc格式的MATLAB源代码说明文档整体大小仅119KB结构精简便于快速阅读与直接运行测试。该资源在平台已有1863人学习下载源码经过亲测校正注释较为完整适合作为课程设计、论文实验或相机标定入门实践的基础参考。1. 相机标定源码包在 MATLAB 里从哪一步开始想象一个场景你用单目相机测工件长度软件里得到 100.3mm卡尺量出来却是 99.8mm。问题往往不在图像处理而在像素和毫米之间的换算没搞对。相机标定的目标就是把每个像素对应的空间方向、焦距、镜头畸变用一套参数固定下来。网上流传的“matlab实现相机标定程序源码.zip”这类包本质是把这件事做完整的 API 组合检测棋盘格角点、估计内参外参、计算畸变系数、输出误差报告。如果你正准备部署视觉测量、机器人抓取或者质检工位下面这套流程会把“拿到一个 MATLAB 相机标定源码包后怎么读懂、怎么跑通、怎么把参数用对”讲清楚。适合刚接触视觉的工程师也适合想把手动标定流程自动化的老手。2. MATLAB相机标定的理论基础坐标系、内参外参与畸变2.1 从世界坐标到像素坐标的四次变换相机成像可以理解为先把世界坐标系里的点 Xw 变换到相机坐标系再投影到图像平面最后落到像素坐标。公式是 s · [u; v; 1] K · [R|t] · [Xw; Yw; Zw; 1]。其中 [R|t] 称为外参表示相机在世界坐标系中的位姿K 是内参矩阵包含焦距 fx、fy 和主点 cx、cy。K [fx 0 cx; 0 fy cy; 0 0 1];这个 K 矩阵在 MATLAB 里通常以转置形式存放也就是 cameraParameters 对象里的 IntrinsicMatrix 字段等于上面 K 的转置。初次接触的同学经常在这里算错。你可以这样验证把标定得到的 IntrinsicMatrix 取出来转置以后乘上世界坐标点再除最后一个分量结果应该和图像上的角点像素坐标对上。s 是深度尺度因子它表示该点在相机坐标系下的 z 值。因为棋盘格是平面所以每个角点的 s 就是该点在相机坐标系的深度不是任意值。内参的物理意义需要注意fx 和 fy 在理想情况下相等单位是像素。如果两者差异超过一个像素说明传感器像素不是正方形或者图像在采集后被 resized 过。cameraParameters 的 ImageSize 字段记录了原图尺寸若你在标定前对图像做过缩放fx、fy、cx、cy 都必须按同一比例缩放否则投影计算会整体偏移。2.2 畸变模型为什么图像的边缘直线会弯曲镜头不是完美的小孔成像广角和廉价镜头尤其明显。径向畸变让直线向外凸或向内凹切向畸变是因为镜头和传感器不平行。张正友标定法用的模型把畸变写成多项式x_distorted x·(1 k1·r² k2·r⁴ k3·r⁶) 2·p1·x·y p2·(r²2x²)y 方向同理。标定程序要做的事就是反推出这些系数。MATLAB 里径向畸变系数按 [k1, k2, k3] 存在 RadialDistortion 字段切向畸变 [p1, p2] 在 TangentialDistortion 字段。k3 对普通工业镜头可以设为 0因为高阶项在视场角不大时几乎没有贡献。若你用的是鱼眼镜头MATLAB 有单独的 fisheyeParameters 对象畸变模型完全不同不能拿这套普通模型硬套。判断依据很简单如果图像边缘的直线弯曲程度非常大甚至画面出现桶形畸变就要走 fisheye 的流程。2.3 张正友方法为什么用平面棋盘格张正友标定法只需要相机拍摄任意姿态的平面棋盘格不需要知道相机和棋盘格的具体位姿。原理是先用单应性矩阵 H 建立图像点和棋盘格平面点的关系H 里面外参被部分消掉再从多张图像解出内参。多张图像的好处是单张图只能确定单应性多个姿态才能让内参超定、可解。实践中最少需要 3 张但 3 张图像的解非常脆弱我一般要求至少 15 张角度覆盖要足够分散。这里和 OpenCV 的 calibrateCamera 本质上是同一套数学只是 MATLAB 封装成了 detectCheckerboardPoints estimateCameraParameters。源码包里如果自己写了求解代码通常包括单应性估计、奇异值分解、非线性优化这三步分别对应 fitgeotrans、svd 和 lsqnonlin。不过既然用了 MATLAB直接用官方封装更省事出错概率也低。2.4 源码包里典型的数据结构一个标准的标定程序源码包最终输出通常包含内参矩阵 K、畸变系数 k1/k2/p1/p2/k3、平均重投影误差、每张图像的外参。MATLAB 推荐做法是把这些都放进 cameraParameters 对象里后续 undistortImage、worldToImage 等函数可以直接复用。常用字段含义如下字段名含义单位IntrinsicMatrix内参矩阵转置形式像素RadialDistortion径向畸变系数 k1 k2 k3无量纲TangentialDistortion切向畸变系数 p1 p2无量纲WorldUnits世界坐标单位自定义通常为 mmMeanReprojectionError平均重投影误差像素% 构造相机参数对象 camParams cameraParameters( ... IntrinsicMatrix, K, ... % 注意转置 RadialDistortion, [k1 k2 k3], ... TangentialDistortion, [p1 p2], ... WorldUnits, mm);WorldUnits 要和标定板格子的实际尺寸单位一致。声明为 mm后面所有从像素换算到物理尺寸的函数输出就都是 mm。标定板格子如果是 30mm就填 30不要填 0.03否则读数字时容易看错数量级。3. 源码包结构拆解MATLAB相机标定程序的模块设计3.1 解压后先看文件清单拿到一个 zip 包我一般先不急着运行而是用 dir 命令把文件列出来。规范的源码包会包含主程序文件、角点检测函数、主流程脚本、示例图像目录和说明文档。下面是我见过的比较典型的结构文件/目录作用需要关注的点calibrate_main.m主流程检查图像路径是否硬编码detect_board_pts.m封装角点检测是否处理了检测失败的图像estimate_intrinsics.m内参估计是否输出重投影误差undistort_demo.m畸变校正演示说明期望输出的去畸变图效果images/标定板图像数量是否多于 15 张calibration_report.m生成报告结果是否自动写入文件如果缺 detect_board_pts.m 这类函数只有一段主脚本也很常见。MATLAB 从 R2014a 开始的 Camera Calibrator App 本身就能导出脚本很多源码包其实是从 App 生成的然后改出来的。结构不重要重要的是函数之间如何传参以及默认图像路径是否和你手里的目录一致。3.2 角点检测detectCheckerboardPoints 的调用方法主程序的第一步是把所有标定图像读进来统一转成灰度图然后调用 detectCheckerboardPoints。源码包里最常见的写法有两种一种是逐张图像循环处理另一种是把图像堆成三维数组一次处理。我倾向逐张循环因为可以单独跳过检测失败的图像不至于一张坏图导致整个批次崩溃。% 逐张检测棋盘格角点 imageDir fullfile(pwd, images); files dir(fullfile(imageDir, *.png)); numImages numel(files); imagePoints cell(numImages, 1); boardSizes zeros(numImages, 2); for i 1:numImages img imread(fullfile(imageDir, files(i).name)); if size(img, 3) 3 img rgb2gray(img); % 彩色图先转灰度 end [pts, boardSize] detectCheckerboardPoints(img); if isempty(pts) warning(第%d张无法检测棋盘格跳过。, i); continue; end imagePoints{i} pts; boardSizes(i, :) boardSize; end % 去掉未检测到的空项 validIdx ~cellfun(isempty, imagePoints); imagePoints imagePoints(validIdx);逻辑说明detectCheckerboardPoints 在找不到棋盘格时返回空矩阵所以要把这种情况和正常检测区分开。boardSize 返回的是棋盘格内部角点的行列数比如 9x6 表示每行 9 个内部角点、每列 6 个。若各图像检测出的 boardSize 不一致后面 estimateCameraParameters 会直接报错需要先确认是否真的拍了同一块标定板。参数方面如果棋盘格有白色边框干扰可以给 detectCheckerboardPoints 传入 MinCornerMetric 调节角点响应阈值不过大多数源码包不会用这些因为默认参数对普通打印的棋盘格已经够用。真正影响检测成功率的是光照暗角区域的角点经常漏检拍照时让棋盘格在画面里尽量占大面积比调参数更有效。3.3 参数估计与优化estimateCameraParameters 的选项角点收集完毕下一段代码基本都是调用 estimateCameraParameters。这里是整个源码包里参数最多的位置也是我建议你逐行确认的地方。% 生成世界坐标注意格子尺寸要与实际一致 squareSize 30; % 单位mm worldPoints generateCheckerboardPoints(boardSizes(1,:), squareSize); % 估计相机参数 [params, errors] estimateCameraParameters(imagePoints, worldPoints, ... WorldUnits, mm, ... EstimateSkew, false, ... EstimateTangentialDistortion, true, ... NumRadialDistortionCoefficients, 2);EstimateSkew 默认是 false这对绝大多数工业镜头都成立传感器像素在制造时已经做到近似正方形开启它只会增加一个自由度让优化器有机会把参数带跑偏。NumRadialDistortionCoefficients 取 2 即可径向畸变多项式的高阶项在强畸变广角镜头里才有意义普通镜头强行取 3在图像序列数量不足时会出现 k2、k3 相互抵消的不稳定解标定结果反而比取 2 更差。EstimateTangentialDistortion 在镜头安装较正时通常开着但如果图像里棋盘格集中在画面中部切向畸变约束不足p1/p2 估计噪声大可以先关闭等畸变校正效果出来再决定。3.4 从源码生成 Camera Calibrator App 脚本的区别很多人在网上找源码是因为 App 界面不够直观或者想自动跑批量标定。实际上 Camera Calibrator App 能导出 m 脚本导出的代码和手写源码差距不大只是把检测与估计流程固定成了 App 内部逻辑。有个快速改写技巧导出的脚本里会写死图像路径改成用 dir 遍历即可导出的结果变量名通常是 cameraParams后续用 save(cameraParams.mat, cameraParams) 存下来供其他程序加载。提示源码包里的 detectCheckerboardPoints 依赖 Computer Vision Toolbox 和 Image Processing Toolbox。运行报错说函数未定义时先检查工具箱是否齐全再用 which detectCheckerboardPoints 看路径不要急着改代码。4. 把源码跑通棋盘格图像采集、主程序传参与误差分析4.1 拍照环节决定标定质量的 7 个要点标定程序只能处理拍回来的图像图像质量直接影响内参估计。我一般建议按这个顺序检查标定板尽量铺满视场的 1/3 以上每个角度拍一张覆盖中心、四角、左右旋转、上下仰角总共 15 到 25 张光照均匀反光区域不要出现在角点附近拍摄时拿稳或者用支架避免运动模糊棋盘格不要贴在弯曲的表面上打印的格子纸要压在硬纸板上不要悬空镜头光圈尽量固定在实际使用值。满足这几条平均重投影误差通常能压到 0.3 像素以下。如果某张图拍糊了立刻删掉重拍不要指望算法能救回。4.2 主程序完整流程把第 3 章的模块串起来的 calibrate_main.m 基本是这个结构。这个脚本可以原样抄下来作为你自己的标定流水线起点。%% 1. 读取图像 imageFiles dir(fullfile(images, *.jpg)); numImages numel(imageFiles); %% 2. 检测角点并过滤失败项 imagePoints cell(numImages, 1); valid true(numImages, 1); for i 1:numImages img imread(fullfile(images, imageFiles(i).name)); if size(img, 3) 3 img rgb2gray(img); end [imagePoints{i}, boardSize] detectCheckerboardPoints(img); if isempty(imagePoints{i}) valid(i) false; end end imagePoints {imagePoints{valid}}; imageFiles imageFiles(valid); % 同步过滤 %% 3. 生成世界坐标并估计参数 squareSize 30; worldPoints generateCheckerboardPoints(boardSize, squareSize); [params, errors] estimateCameraParameters(imagePoints, worldPoints, ... EstimateTangentialDistortion, true, ... NumRadialDistortionCoefficients, 2); %% 4. 显示误差分布和相机位姿 figure; showReprojectionErrors(params); figure; showExtrinsics(params, Pattern);逻辑说明valid 索引同步过滤是关键常见错误是收集完角点后忘了过滤文件列表导致后面画外参时图像名和点对不上。generateCheckerboardPoints 的 boardSize 要用 detectCheckerboardPoints 返回的同一变量不要手写 9x6因为不同图像可能检测出不同的棋盘格尺寸需要确认一致后再用。棋盘格内部角点太少也是个隐患。7x5 的格子能求出内参但 z 方向约束偏弱结果会更依赖初始猜测。建议至少 8x6最好 10x7。格子越多检测失败的概率越高但标定稳定性也越好实际使用需要折中。4.3 重投影误差的正确看法estimateCameraParameters 返回的 errors 里有 MeanReprojectionError单位是像素。这个值小于 0.5 像素标定结果就视为合格超过 1 像素先看 showReprojectionErrors 画出的柱状图横轴是图像序号纵轴是该图所有角点的平均误差。某一张图的柱明显高于其他图说明这张图可能拍糊了或者棋盘格存在扭曲删掉重估即可。再进一步看单个角点把某个角点的误差单独打出来定位。% 打印每张图的平均重投影误差 for i 1:numel(errors.ReprojectionErrors) errs errors.ReprojectionErrors{i}; % 各版本结构可能不同 meanErr(i) mean(errs(:), omitnan); end注意 errors.ReprojectionErrors 在不同 MATLAB 版本里的存储结构不一样有的版本是 cell 数组有的直接是数值矩阵。遇到访问报错时用 whos errors 查看变量结构别在字段上死磕。误差突出一张图就删一张这是最实用的优化手段比修改优化选项有效得多。4.4 常见报错与参数排查报错 “Unable to detect a checkerboard in the image” 说明该图没识别出棋盘格改进方向是拍照时保证整块棋盘清晰可见。报错 “The checkerboard should be fully visible. Some of the checkerboard points are missing” 说明棋盘格被遮挡或出了画面源码包如果没做跳过处理就在这里中断。自己改代码时把检测结果为空的情况 continue 掉最省事。还有一类报错是图像尺寸不一致比如批次里混入了不同分辨率的图片detectCheckerboardPoints 能处理但生成的相机参数是对应最大尺寸的最好统一尺寸再跑。5. 标定完怎么验证从重投影误差到畸变校正落地5.1 用 undistortImage 验证校正效果参数估计完最直接的验证方式是拿一张包含直线场景的图做畸变校正看看边缘直线有没有拉直。img imread(test_image.png); undistorted undistortImage(img, params); imshowpair(img, undistorted, montage);图像边缘的门框、轨道、传送带边沿在校正后变成直线说明内参可信。反之如果过度校正直线向相反方向弯有可能是径向畸变系数符号反了或者 NumRadialDistortionCoefficients 选得过大。手机广角镜头 k1 通常为负校正后边缘会被向外拉伸这是正常现象。做验证时图片里必须包含明显的直线结构比如墙面踢脚线或货架横梁否则看不出效果。5.2 用 worldToImage 做正向投影自检把标定板放在已知距离用 worldToImage 把世界坐标点映射到图像坐标再和实际检测到的角点坐标比对。当 R、t 由 estimateCameraParameters 从同一张图得到时这组验证只能说明拟合本身没毛病不能说明系统精度。真正有说服力的是换一张没有参与标定的图像测量一个已知尺寸的物体再和卡尺值对比。我的做法是贴一张 100mm 长的标尺在画面里标定完成后测一次宽度误差在 0.5% 以内就算达标。5.3 应用到测量、双目和机械臂引导得到 cameraParams.mat 以后后续测量程序里只要加载 params再用 undistortPoints 或 undistortImage 预处理一次图像即可。如果要做双目相机标定单目标定得到的内参可以作为 stereoParameters 的初值再用 estimateStereoBaseline 约束左右相机外参。机械臂手眼标定场景需要结合 eye-to-hand 或 eye-in-hand 的变换关系一起解算内参标定是前置条件。源码包里如果出现相机位姿可视化函数还可以顺手把内外参导出来给 OpenCV 或 VisionMaster 用参数顺序记得按各自约定重排。上下相机引导贴合这类场景还要额外标定两个相机的相对位姿单目内参只是第一步。本文还有配套的精品资源点击获取
